一个多模式的卷积神经网络模型,用于帕金森病的诊断,基于合并的手写动态信号信号

科学领域:

• 神经学和人工智能 人工智能
• 生物医学信号处理
• 机器学习用于医疗保健

背景情况:

• 帕金森病 (PD) 诊断需要精确性和稳定性,早期检测对管理至关重要.
• 手写的动态表现为早期发现PD的生物标志物具有前途.
• 目前的PD诊断方法往往缺乏足够的准确性和可靠性.

研究的目的:

• 开发一种新的多式联络深度学习决策支持系统,以改善帕金森病的早期诊断.
• 通过先进的信号处理技术,整合静态和动态手写特征.
• 为了提高帕金森病检测的诊断准确性和解释性.

主要方法:

• 一个多式深度学习模型,将静态手写图像与合时间频率表示 (STFT,CWT) 的抓地压力,轴压力,倾斜和加速度计数据相结合.
• 利用短时间里叶变换 (STFT) 和连续波纹变换 (CWT) 来从传感器信号中生成光谱图和光谱图.
• 使用梯度加权类激活映射++ (Grad-CAM++) 用于可解释AI (XAI) 以确保模型可解释性.

主要成果:

• 融合STFT光谱图实现了85.41%的准确性,多式联网CNN的准确性提高到97.92%.
• 融合CWT扫描仪的精度为92.08%,通过多式联络方法提高到96.66%.
• 基于CWT的方法优于STFT,并将融合时间频率图像与可视化集成进一步提高了准确性.

结论:

• 手写动态的融合时间频率表示对于帕金森病的诊断是有效的.
• 多模式深度学习方法,特别是CWT,提供高精度和可解释的PD检测.
• 需要对各种数据集进行进一步验证,以确认可通用性和临床适用性.